OpenCV特征提取与图像检索实现（附代码）(2)

with open(pickled_db_path) as fp: self.data = pickle.load(fp) self.names = [] self.matrix = []

for k, v in self.data.iteritems(): self.names.append(k) self.matrix.append(v) self.matrix = np.array(self.matrix) self.names = np.array(self.names)

def cos_cdist(self, vector):

# getting cosine distance between search image and images database

#计算待搜索图像与数据库图像的余弦距离

v = vector.reshape(1, -1)

return scipy.spatial.distance.cdist(self.matrix, v, 'cosine').reshape(-1)

def match(self, image_path, topn=5): features = extract_features(image_path) img_distances = self.cos_cdist(features) # getting top 5 records

# 获得前5个记录 nearest_ids =

np.argsort(img_distances)[:topn].tolist()

nearest_img_paths = self.names[nearest_ids].tolist()

return nearest_img_paths,

img_distances[nearest_ids].tolist()这里要加载前一步得到的特征向量，并从它们中创建一个大矩阵，然后计算待搜索图像的特征向量和特征向量数据库之间的余弦距离，然后输出最近的前N个结果。当然，这仅仅是一个demo，在实际计算中，还可以用一些算法来快速计算数百万图像间的余弦距离。你可以使用简单且运行速度相当快的Annoy Index（在1M图像中搜索约需2ms）。 现在把它们放在一起运行一下： def show_img(path):

img = imread(path, mode='RGB') plt.imshow(img) plt.show() def run():

images_path = 'resources/images/'

files = [os.path.join(images_path, p) for p in sorted(os.listdir(images_path))] # getting 3 random images

# 随机获取3张图 sample = random.sample(files, 3)

batch_extractor(images_path)

ma = Matcher('features.pck')

for s in sample: print 'Query image

==========================================' show_img(s)

names, match = ma.match(s, topn=3) print 'Result images

========================================' for i in range(3):

# we got cosine distance, less cosine distance between vectors

# more they similar, thus we subtruct it from 1 to get match value#我们得到了余弦距离，向量之间

的余弦距离越小表示它们越相似，因此我们从1中减去它以得到匹配值

print 'Match %s' % (1-match[i]) show_img(os.path.join(images_path, names[i]))

run()大家可以在我的 github上下载源码，或者在Google Colab上运行（Google Colab是一种提供GPU在线计算的免费服务）：

https://colab.research.google.com/drive/1BwdSConGugBlGzPLLkXHTz2ahkdzEhQ9 ▌总结

在运行上述代码的过程中，你可能会发现搜索到的相似图像并不总能达到我们想象中的那种相似程度。这是因为我们所用的这种算法是上下文无关（context-unaware）的，所以该算法在寻找相同（即使是被修改过的）图像方面表现更好，而不是在相似图像方面。如果是要寻找上下文相关的相似图像，那就要使用卷积神经网络了，我的下一篇文章会对这方面的知识进行详细介绍。 作者：Andrey Nikishaev